Learning With M

🖊 چرا سؤال نداریم؟ این موضوع رو در ۳ پُست مجزا، به ظاهر طولانی ولی در قسمت‌های کوتاه که منقطع خوندنشون آسون باشه تموم کردم. توی این سه بخش سعی کردم از سه زاویه متفاوت بهش نگاه کنم: 1️⃣ چرا سؤال اصلاً توی ذهن ما شکل نمی‌گیره؟ از شکاف اطلاعاتی و اطمینان کاذب، تا نقش آموزش و کودکی در ساختن یا خاموش‌کردن پرسشگری. 🔗 [لینک بخش اول] 2️⃣ وقتی سؤال داریم، چرا نمی‌پرسیم؟ از امنیت روانی و فاصله با قدرت، تا فرهنگ، و سکوتی که گاهی اصلاً نشانه رضایت نیست. 🔗 [لینک بخش دوم] 3️⃣وقتی سؤال می‌پرسیم، آیا واقعاً دنبال فهمیدنیم؟ و اثر هوش‌مصنوعی آیا فقط دنبال شاهدی برای تأیید جوابی هستیم که از قبل انتخاب کردیم؟ این بخش بیشتر درباره Confirmation Bias، هوش مصنوعی و خطر تازه‌ای به اسم Sycophancy است. 🔗 [لینک بخش سوم] به‌نظرم در هر شغل، موقعیت و سطحی، «پرسشگر» بودن، بلد بودنِ پرسش خوب و توانایی دیدن و حل مسئله، مهارت‌های بنیادی‌ای هستن. دعوت می‌کنم بخونید و اگه براتون مفید بود، برای بقیه هم بفرستید. پی‌نوشت: معرفی موضوع، ۲۰۸۸ بار دیده شد و ۳۲ بار بازنشر! ولی قسمت اول مطلب ۵۹ بار دیده شد. نمونه بانمکی از پیشی گرفتن آگهی از آگاهی بود!

توی دور آخر، با ضربان ۱۳۰ یه چیزی توی ریمیکسی که گوش میدادم پلی شد که انرژی رو بوست می کرد. ناخودآگاه به جای توجه به خستگی و افت قند، توجهم به متن موسیقی جلب شد. چرا انقدر در اوج انرژیک بودن تلخه؟ اومدم و نسخه اصلی رو پیدا کردم. خالق این اثر، Posner خواننده ای هست که بعد از چند ترک موفق درگیر این میشه که شاید دیگه خوب نیست و میره پیش Avicii در ایبیزا و بقیه داستان ... بهش میگن سندروم ایمپاستر، وقتی خودت رو به اندازه موفقیتت خوب نمیدونی. #سوال_داشتم

چه قدر توی کار و زندگیمون کمک خواستیم؟ و همچنین آیا صدای کمک‌ خواستن دیگران رو شنیدیم؟ این ویدیو، بخشی از اثر بی بدیل: "پسرک، روباه، موش کور و اسب" هست که دیدن و مطالعه کردنش رو به همتون پیشنهاد میکنم. #کمک

یه نقل قول خفن برای آخر هفته: اگر چیز های بد دنبالت می کنند، بهترین کاری که می تونی بکنی اینه که برگردی و تو دنبالشون کنی ! - جردن پیتر سون (روانشناس معروف کانادایی) عاشق این مرد و طرز فکراشم. #تفکر

🧠 اهمیت درک عمیق از مفهوم کلمه عامل (Agent) برای حل مشکلات کار کردن با #هوشواره ها (AI) 🔬این روزها تقریباً همه دربارهٔ AI Agentها صحبت می‌کنند؛ ابزارهای جدید معرفی می‌شوند، دوره‌های آموزشی برگزار می‌شود و هر روز اصطلاحات تازه‌ای وارد اکوسیستم می‌شوند. اما احساس می‌کنم قبل از اینکه بخواهیم یاد بگیریم چگونه با AI Agentها کار کنیم، لازم است یک قدم به عقب برگردیم. شاید مسئله اصلاً هوشواره نباشد. شاید مسئله این باشد که ما هنوز مفهوم Agent (#عامل) را به‌درستی #مدل نکرده‌ایم. 🚨وقتی کلمهٔ Agent را می‌شنویم، ذهنمان مستقیم به سمت #هوش_مصنوعی می‌رود، در حالی که Agent مفهومی بسیار قدیمی‌تر و عمومی‌تر است. هر موجودیتی که از طرف یک سیستم (شخص، سازمان، ...)، مسئولیتی را بر عهده می‌گیرد، یک Agent است. اگر این تعریف را بپذیریم، آن وقت AI Agent فقط یکی از انواع Agentها خواهد بود؛ همان‌طور که یک کارمند، یک پیمانکار، یک نرم‌افزار، یک سرویس یا حتی یک سازمان نیز می‌تواند نقش یک Agent را ایفا کند. و دقیقاً همین‌جا است که نگاه ما به #مسئله تغییر می‌کند. یک #تلنگر_ذهنی و سوال باز #فلسفه_ذهن را هم مطرح کنیم که حتی میشه بدن انسان را هم به نوعی عامل هویت اون فرد در نظر بگیریم. اگر AI Agent را مفهومی کاملاً جدید تصور کنیم، ناخواسته بخش بزرگی از دانش انباشتهٔ گذشته دربارهٔ تعامل با Agentها را کنار می‌گذاریم و دوباره همان اشتباهات را با نام‌های جدید تکرار می‌کنیم. ⏳بخش بزرگی از مشکلاتی که امروز به هوشواره نسبت می‌دهیم، در واقع سال‌ها قبل از ظهور هوشواره هم وجود داشته‌اند. - وقتی مسئولیت را مبهم واگذار می‌کنیم... - وقتی انتظار خروجی را شفاف تعریف نمی‌کنیم... - وقتی زمینهٔ لازم را منتقل نمی‌کنیم... - وقتی دانش سازمان در ذهن افراد باقی می‌ماند و به دانش مشترک تبدیل نمی‌شود... نتیجه معمولاً قابل پیش‌بینی نیست؛ چه طرف مقابل یک انسان باشد، چه یک هوشواره. دقت کنیم هوشواره مشکل جدیدی ایجاد نکرده است؛ فقط کیفیت #مدل_ذهنی و کیفیت #مدیریت_دانش ما را با وضوح بیشتری نمایان کرده است. ⏳به همین دلیل، شاید بهتر باشد به جای اینکه فقط دربارهٔ نقش‌های کاذب (False Classification) منتسب به مهندسی مثل Prompt Engineering یا Harness Engineering صحبت کنیم، دربارهٔ اصول تعامل با هر Agent صحبت کنیم؛ اصولی که سال‌ها قبل از ظهور هوشواره نیز وجود داشته‌اند و احتمالاً سال‌ها بعد از تغییر فناوری‌های امروز نیز معتبر خواهند ماند. در چند کامنت زیر همین پست، سعی می‌کنم دربارهٔ همین اصول صحبت کنم؛ از #تفویض_اختیار و نحوهٔ #مستندسازی از نگارش درخواست‌ها گرفته تا انتقال زمینه، مرزهای مسئولیت، معیارهای پذیرش و نقش #مدیریت_دانش در تعامل با عامل‌ها. ⏳شاید هنگام خواندن این متن با خودتان گفته باشید: - ما هم مدام خروجی‌هایی می‌گیریم که با انتظارمان فاصله دارند. - هر بار باید دوباره همه چیز را توضیح بدهیم. - افراد مختلف برداشت‌های متفاوتی از یک درخواست دارند. - دانش پروژه بیشتر در ذهن افراد است تا در مستندات. - با وجود استفاده از هوشواره، کیفیت خروجی تیم بهتر نشده، فقط سرعت تولید بیشتر شده است. اگر چنین نشانه‌هایی را در #سازمان خود می‌بینید، احتمال دارد مسئلهٔ اصلی نه هوشواره باشد و نه حتی افراد تیم. این‌ها معمولاً نشانه‌هایی از ضعف در #مدیریت_دانش، نبود یک #چارچوب_توسعه مشترک، ابهام در تعریف مسئولیت‌ها یا ضعف در مدل‌سازی مسائل سازمان هستند. این‌ها با تعویض ابزار حل نمی‌شوند؛ نیازمند اصلاح شیوهٔ فکر کردن، انتقال دانش و طراحی فرآیندهای توسعه هستند. 🔗 در Geniuses.Group نیز دقیقاً همین دغدغه را دنبال می‌کنیم؛ کمک به سازمان‌ها برای ساختن سیستم‌هایی که پایداری آن‌ها تنها به فناوری وابسته نباشد، بلکه بر پایهٔ مدل‌های ذهنی دقیق‌تر، مدیریت دانش بهتر و تعامل مؤثرتر میان عامل‌ها شکل بگیرد.

مسئله ای که خیلی از بچه های با سواد ما دچارشن اینه : تمرکز زیاد روی یادگرفتن و‌خوندن و. جمع کردن دانش در نیاوردن یک ریال و نگرفتن حتی یه شغل معمولی دانشی که نتونیم به پول تبدیلش کنیم خوبه ها ، ولی زندگی مون رو سخت میکنه 🤷‍♂️

جمله برای تفکر در تعطیلات: Identity is not dicovered, It's constructed. Every decision you make, is a vote for the person you are becomming. #تفکر

وقتی افرادی مثل بانو Laurie Wired را دنبال میکنی واقعا لذت میبری میبینی چقدر موضوعات را قشنگ به هم مرتبط میشه کرد. و چقدر محتوا همین الان در دانش انسانی بوجود اومده که ما ازش بی اطلاع هستیم، حتی در کاری که خیلی ازش در طول روز استفاده میکنیم! اگر به موضوعات عمیق مخصوصا در خصوص نظریه زبان، سیستم عامل، مهندسی معکوس (reverse engineering) و هوشواره‌ها (AI) در عمق، علاقه دارید این ویدئو را تماشا کنید پ.ن: -- واقعا ایول داره که ایشون میتونه این همه محتوای خوب تولید کنه، واقعا کی وقت میکنه این همه کار را انجام بده! -- قطعا راه رسیدن به این نوع #تفکر چیزی به جز وقت گذاشتن و یادگیری #فراشناخت (MetaCognition) نیست. به طور مشخص یکی از راه‌های آسون کمی یادگیری انواع #تفکر مثل #تفکر_سیستمی (خوانشی عمیق و متفاوت ما از کتاب تفکر سیستمی را پیشنهاد میکنم گوش بدید) و #تفکر_نقادانه هست

🌟 انواع حملات پرامپت اینجکشن به زبان ساده و با مثال همون‌طور که شیوه توسعه نرم‌افزار و نحوه تعامل کاربر با نرم‌افزار، بعد از فراگیر شدن مدل‌های زبانی، تغییر کرده، نحوه تهاجم و حملات نرم‌افزاری هم تغییر کرده. یکی از موضوعاتی که باید بهش توجه مضاعفی کنیم، حملات Prompt Injection است که انواعش رو به زبان ساده و با مثال توضیح می‌دم. به زبون ساده، Prompt Injection یعنی مهاجم تلاش کنه با واردکردن دستوراتی در ورودی، رفتار مدل رو از هدف اصلی‌اش منحرف کنه، محدودیت‌ها رو دور بزنه یا مدل رو وادار کنه اطلاعات یا عملیاتی ناخواسته انجام بده. برعکس حملات سنتی نرم‌افزار، خیلی‌هاش بُعد فنی زیاد و کدنویسی عجیب نداره، و گاها با کمی زیرکی و هوش و زبون‌بازی می‌شه حمله رو درآورد!! ۱۸ مدل حمله رو با مثال و به صورت خلاصه و ساده توضیح دادم، و فکر می‌کنم خوندنش خوب باشه. و دقت کنید که همین یکی دو ماه گذشته شرکت‌های بزرگ تکنولوژی و حتی توسعه‌دهنده مدل‌ها هم درگیر چنین حملاتی شدن؛ پس درک داشتن از چنین حملاتی لازمه. 1. Direct Prompt Injection 2. Indirect Prompt Injection 3. Stored Prompt Injection 4. Reflected Prompt Injection 5. Cross-Context Prompt Injection 6. Tool-Use Injection 7. Tool Output Injection 8. RAG Prompt Injection 9. Multimodal Prompt Injection 10. Prompt Obfuscation 11. Role-Playing Injection 12. Instruction Hierarchy Attack 13. Context Poisoning 14. Memory Poisoning 15. Data Exfiltration Injection 16. Goal Hijacking 17. Denial-of-Service Prompt Injection 18. Agent-to-Agent Prompt Injection 🔗 لینک مطلب

بازی رو یاد بگیریم‌.

سلام، چند تا دلیل هست برای خوشحالیم که یکیش گذر از ۲۱۰۰ نفر دوست و همکاره که اینجا دور هم جمع شدیم. برای همین یک سری ویدیو جدید توی کانال قراره شروع کنم. این شما و این : Learn it from a pro ! حالا این سری چیه؟ از قدیم گفتن : آزموده را آزمودن خطاست.…

سلام، چند تا دلیل هست برای خوشحالیم که یکیش گذر از ۲۱۰۰ نفر دوست و همکاره که اینجا دور هم جمع شدیم. برای همین یک سری ویدیو جدید توی کانال قراره شروع کنم. این شما و این : Learn it from a pro ! حالا این سری چیه؟ از قدیم گفتن : آزموده را آزمودن خطاست. حتمی شده که بخواید یه کاری رو انجام بدید و ندونید بهترین روشش چیه یا چطوری باید انجام بشه که بهینه باشه؟ گاهی مهم میشه که چطوری یه حرفه‌ای اونو انجام میده. کلی می‌گردید و سرچ می‌کنید و با chatgpt مشورت می‌کنید و یک راه حل هایی پیدا می‌کنید ولی هنوز بهش شک دارید. مثل وقتی که می خواید یه خریدی بکنید و نظر یه متخصص براتون مهم و تاثیر گذار میشه. اینجا Learn it from a pro وارد میشه. شما سوال دارید، من جوابشو از یک متخصص براتون می پرسم. توی این سری ویدیو، شما از کتگوری‌های مشخص سوالتونو می‌پرسید و من یکی از بهتری‌های اون رشته رو پیدا می‌کنم و سوالتون رو ازش در قالب یک ویدیو نهایتا ۳۰ دقیقه‌ای می‌پرسم و منتشر می کنم. نقش من پیدا کردن بهترین های هر رشته است و نقش شما پرسیدن بهترین سوال های ممکنه. سوال و جواب 1. چطوری شروع کنیم ؟ سادست، این فرو رو پر کنید، تا جایی هم که می تونید منتشرش کنید و بقیه هم پرش کنن. وقتی سوالات در یک دسته بندی به یک اندازه خوبی رسید من کارمو شروع می کنم. یادتون باشه مشخصاتتون رو کامل وارد کنید که براتون سوپرایز هم دارم. 2. فرم کجاست ؟ یک گوگل فرم داریم که اینجاست. 3. دسته بندی مورد نظر من توی دسته بندی ها نیست، چی کار کنم ؟ جواب اصلی اینه فعلا هیچی، ولی این یکی فرم رو پر کنید تا من براش آدم های مناسب رو پیدا کنم. دلیلش اینه که من برای اون دسته بندی ها افرادی رو در سطح های ارشد سازمان های بزرگ می شناسم که می تونم باهاشون در مورد سوالات شما صحبت کنم. قراره براتون یک Pro پیدا کنم دیگه. کار ساده ای نیست ! 4. چه کمکی می تونم بکنم ؟ تا جایی که میشه این پست رو منتشر کنید تا بیشترین میزان مشارکت رو بگیریم و موضوع های خوبی پیدا بشه. پ.ن : از اونجایی که زمانه AI هست و ساختن MVP هزینش کم شده، این پروژه هم یک MVP هست و ممکن هزاران تغییر در طول زمان براش ایجاد بشه. پس، فیدبک بدید به اپیزودها و تا بهتر بشه.

یکی از بدی های استفاده زیاد از #AI ، تو تولید صفحات متعدد از سند هست که به خاطر زیاد بودنش اونی که تولیدش کرده حوصلش نمی کشه بخونش و اونی که باید از روش محصول درست کنه گیج میشه و اونم حوصلش نمی کشه بخونش. اینحا همونجایی هست که کیفیت نابود میشه و چیزی که قرار بود بهبود کیفیت بده میشه بلای جون کیفیت. بیایم نکنیم این کارو. واقعا اعصاب خورد کنه. قشنگ انگار یکی از زیر کارش در رفته. وقتی یه کاری رو باید توی 7 روز انجام بدی، کار نکنیم و روز آخر بیایم وقت بزاریم 100 صفحه داکیومنت تحویل بدی که نمیشه کار. همه می فهمن چه خبره. فهمیدن اینکه یه سند با AI درست شده هم کار سختی نیست، چند تا معیار داره: 1. جزئیات خیلی زیاده. 2. از آ و « و » توش استفاده شده. 3. نیم فاصله توش استفاده شده. برای ایران و غیر ایران هم نیست. همه دنیا درگیرش هستند. یه ویدیویی میدیدم که طرف spec هاشو با AI نوشت، زیاد شد، گفت حتمی درسته. بریم اجراش کنیم ! رفت اجراش کرد و سیستم رفت رو هوا و برگشت اون یه تیکه رو خوند و فهمید LLM بر اساس توهم یه چیزی اضافه کرده. بلههههه، خط به خطشو باید بخونی. تیکه به تیکش رو باید مسلط بشی. #اسیرشدیم

سلام مجدد. عزیزان از این پست ممنون میشم حمایت کنید، امید خیلی درست به موضوع بی نظم شدن فولدر ها در پروژه ها اشاره کرده. https://www.linkedin.com/feed/update/urn:li:share:7486404489541877760

مدیر عامل انویدیا، جنسن هوانگ، گفته که هوش مصنوعی قرار نیست شغل ها رو اتومیت کنه. ایشون گفتند که این نگرانی بی معنیه، چون #AI قراره وضایف رو اتومیت کنه، نه شغل ها رو. اول که واقعا درود به این نوع نگاه و بیان. دوم بیایم ببینیم چی میگه. خیلی توی گروه من گفتم (اینجا و اینجا و...) که قرار نیست ما جایگزین بشیم، ابزارمون بهتر داره میشه. استاد هم همینو میگه. منظورش تو کار ما میشه این که، تا چند سال پیش بهت میگفتن فلان ماژول رو بزن، در لپ تاپ و باز می کردی و می پریدی سر کد. بعدش مهم شد که قبل از کد بیزینس و چرایی رو در کنی و بعد کد بزنی. این زمانه چطوری شده؟ الان فهم بیزینس، چرایی با #AI سریع تر و دقیق تر شده، اچ کیس ها بهتر هندل میشن، ایده ها بهتر پرورونده میشن و ... . در نهایت کد هم دقیق تر نوشته میشه. اینجا اونجاییه که اگر وقتت رو برای فهم بیزینس، معماری و مهندسی نزاشته باشی احساس خطر می کنی. چون همه چیز هایی که فکر می کردی کارته(ولی نبوده در اصل) داره ریپلیس میشه. اشتراک گذاری این مطلب ممکنه به کسی کمک کنه. دریغ نکنید از انتشار یادگیری. کامیونیتیمون بهش نیاز داره. @learning_with_m

عاشق طرز فکر این مردم. سایمون کتاب های بی نظیری هم داره که یکی از یکی بهترن. توی این ویدیو در مورد رهبری میگه، میگه رهبری یک سبک زندگیه، نه یک رده شغلی. توی درس های مدیریت هم در دانشگاه همین موضوع عنوان میشه که رهبری رده شغلی نیست و یک روش برای مدیرانه. …

عاشق طرز فکر این مردم. سایمون کتاب های بی نظیری هم داره که یکی از یکی بهترن. توی این ویدیو در مورد رهبری میگه، میگه رهبری یک سبک زندگیه، نه یک رده شغلی. توی درس های مدیریت هم در دانشگاه همین موضوع عنوان میشه که رهبری رده شغلی نیست و یک روش برای مدیرانه. حالا اونجایی این گفت و گوش به نهایت میرسه که با پرورش فرزند مقایسش می کنه. پ.ن: حالا بریم دری وری های سهیل علوی و مدیرعامل ماز رو ببینید. متوجه عمق فاجعه می‌شید. #رهبری

معرفی Ontology Playground اصلاً Ontology یعنی چی؟ به بیان ساده، Ontology یک مدل صریح از «مفاهیم یک دامنه و رابطه بین آن‌ها» است. مثلاً توی دامنه منابع‌انسانی، ممکنه داشته باشیم: Employee Department Position Manager LeaveRequest و روابطی مثل: Employee worksIn Department Employee hasPosition Position Employee reportsTo Manager Employee submits LeaveRequest تفاوتش با ER Diagram یا دیتابیس‌مدل اینه که هدف Ontology فقط تعریف جدول‌ها و Foreign Keyها نیست. Ontology تلاش می‌کنه معنای مفاهیم، ویژگی‌ها و روابط رو به شکل استاندارد و قابل‌فهم برای انسان و ماشین توصیف کنه. مثلا: Manager is a type of Employee Employee may report to another Employee LeaveRequest belongs to exactly one Employee این مدل می‌تونه مبنای Knowledge Graph، semantic search ، reasoning و پاسخ‌گویی هوشمند روی داده‌ها باشه. حالا Ontology Playground چی کار می‌کنه؟ این یه پروژه کدباز وبی است که بدون backend خاصی قابل اجراست. می‌تونید Ontologyها رو به‌صورت گراف ببینی و بسازی، و روی Nodeها کلیک کنی، Propertyها رو بررسی کنی و Entityها و Relationshipها را جست‌وجو کنی. ابزار از Import و Export فایل‌های RDF/XML و OWL پشتیبانی می‌کنه. یعنی Ontology رو می‌تونی ویژوال ترسیم کنی و بعد خرجی متنی بگیری بدی AI تا برای تولید یا ویرایش کد درک بهتری از بیزنس شما داشته باشه. توی تنظیماتش قابلیتی به اسم AI Builder وجود داره، ولی به‌صورت پیش‌فرض غیرفعاله و برای فعال‌شدن به Azure OpenAI وابسته است. لینک دمو برنامه لینک ریپازیتوری گیت‌هاب